L'économétrie en grande dimension

Ce document de travail est une courte introduction aux principaux problèmes que l'on rencontre lorsque l'on souhaite faire de l'économétrie en grande dimension, c'est-à-dire lorsque p > n - pour chaque observation, on dispose d'un nombre de caractéristiques potentiellement proportionnel ou plus grand que la taille de l'échantillon. La première partie présente les solutions standards de régression pénalisée (Lasso et Ridge). La seconde partie illustre et traite du problème de l’inférence post-sélection et du biais de régularisation. La dernière partie traite de la détection des effets hétérogènes dans les expériences aléatoires au moyen d’algorithmes de machine learning. Des illustrations en code R sont disponibles sur le Ouvrir dans un nouvel ongletrépertoire GitHub associé.